[發明專利]航班庫存更新方法、系統、電子設備和存儲介質

在審

• 申請號: 202110429295.4
• 申請日: 2021-04-21
• 公開（公告）號: CN112948412A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 余米雪;魏鵬;陶彧;張振華
• 申請（專利權）人: 攜程旅游網絡技術（上海）有限公司
• 主分類號: G06F16/23
• 分類號: G06F16/23;G06Q10/04;G06Q10/06;G06N3/04
• 代理公司: 上海隆天律師事務所 31282
• 代理人: 徐莉;鐘宗

1.一種航班庫存更新方法，其特征在于，包括：

根據一航線的航班預訂數據，獲得所述航線的下一時刻的預訂量M；

依次生成M個隨機向量，與下一時刻的時間特征組合后輸入訓練好的用戶生成模型，獲得下一時刻的M個預期用戶的用戶特征；

依次將每個預期用戶的用戶特征和所述航線的各航班的航班特征組合后輸入訓練好的用戶選擇模型，獲得每個預期用戶下一時刻預訂各航班的概率；

根據每個預期用戶下一時刻預訂各航班的概率，獲得下一時刻各航班的預期艙位庫存，更新至對應航班的艙位庫存擺放信息中；

為預期艙位庫存少于目標艙位庫存的目標航班的瀏覽用戶推送預訂提醒信息。

2.如權利要求1所述的航班庫存更新方法，其特征在于，所述用戶生成模型基于生成對抗網絡進行訓練，訓練過程包括：

自所有航線的歷史下單數據中，提取預設維度的用戶特征和下單時間的時間特征，構建所述生成對抗網絡的訓練數據集；

向生成器輸入一隨機向量和一時間特征，獲得一組包含用戶特征和時間特征的生成數據；自所述訓練數據集中抽取一組包含用戶特征和時間特征的真實數據，將所述生成數據和所述真實數據輸入判別器，獲得判斷結果；

根據所述判斷結果，對所述生成器或所述判別器進行參數調優，直至所述生成器生成使所述判別器無法判斷數據來源的生成數據；

以訓練好的所述生成器作為所述用戶生成模型。

3.如權利要求2所述的航班庫存更新方法，其特征在于，所述訓練過程中，損失函數為：

Loss＝E_x～pr(D(x,t))-E_x～pG(D(x,t))；

其中，x為用戶特征，t為時間特征，x～pr為x滿足訓練數據集的數據分布，x～pG為x滿足生成數據的數據分布；D(x,t)為判別器的判斷結果，E_x～pr(D(x,t))為判別器判斷數據來源為訓練數據集的數學期望，E_x～pG(D(x,t))為判別器判斷數據來源為生成數據的數學期望。

4.如權利要求2所述的航班庫存更新方法，其特征在于，所述預設維度包括：年齡階段、商旅類型、性別和用戶等級。

5.如權利要求1所述的航班庫存更新方法，其特征在于，所述用戶選擇模型為XGBoost模型，所述用戶選擇模型的輸入還包括：

各航班的當前艙位特征和所述航線的市場特征。

6.如權利要求5所述的航班庫存更新方法，其特征在于，還包括：

獲得調艙航班，確定所述調艙航班的多組備選艙位特征；

依次基于每組備選艙位特征預測所述調艙航班的艙位收益，包括：將所述調艙航班的航班特征和一組備選艙位特征、所述航線的其余航班的航班特征和當前艙位特征、以及所述航線的市場特征組合輸入所述XGBoost模型，獲得所述調艙航班的選擇概率；根據所述備選艙位特征和所述選擇概率，獲得所述調艙航班基于所述備選艙位特征的艙位收益；

將最大艙位收益對應的備選艙位特征作為下一時刻所述調艙航班的目標艙位特征；

根據所述目標艙位特征，向下一時刻艙位庫存少于閾值的目標艙位的瀏覽用戶推送預訂提醒信息。

7.如權利要求6所述的航班庫存更新方法，其特征在于，還包括：

根據所述調艙航班的目標艙位特征，通過訓練好的關聯反應模型調整關聯航班的當前艙位特征；

所述關聯反應模型基于神經網絡構建，用于預測下一時刻其余航班是否調艙且下一時刻其余航班的更新艙位特征，所述關聯反應模型的損失函數為：

FL(y)＝-α(1-y_t)^γlogy_t；

Loss＝FL(y)+β*MSE(p_next-p_nextpred)；

其中，y_t為其余航班中，下一時刻調艙樣本的占比，α和γ為超參數，t為下一時刻，p_next為下一時刻調艙樣本的實際艙位特征，p_nextpred為下一時刻調艙樣本的更新艙位特征。